數(shù)據(jù)挖掘是當(dāng)前研究者們普遍關(guān)注的一個(gè)熱點(diǎn)問(wèn)題,尤其在人工智能和數(shù)據(jù)庫(kù)領(lǐng)域。傳統(tǒng)意義上的數(shù)據(jù)挖掘是指,從現(xiàn)有的數(shù)據(jù)庫(kù)的海量數(shù)據(jù)中研究、挖掘出潛在的、尚未被人知曉的有用信息的非平凡過(guò)程。隨著科學(xué)技術(shù)的不斷發(fā)展,在機(jī)器學(xué)習(xí)、可視化技術(shù)、人工智能、模式識(shí)別、統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)等多個(gè)領(lǐng)域,都需要人們基于以往的數(shù)據(jù)案例,進(jìn)行分析并做出決策等。數(shù)據(jù)挖掘的意義之一就是提供決策支持,基于已有的企業(yè)數(shù)據(jù),它能進(jìn)行有效的自動(dòng)化的分析、歸納、推理,實(shí)現(xiàn)從海量數(shù)據(jù)中挖掘出潛在的規(guī)律或模式,幫助企業(yè)決策者們及時(shí)調(diào)整市場(chǎng)發(fā)展規(guī)劃,規(guī)避風(fēng)險(xiǎn),進(jìn)而做出正確的決策。在當(dāng)前應(yīng)用于計(jì)算機(jī)數(shù)據(jù)分析的各種方法中,聚類分析作為數(shù)據(jù)分析中非常重要的一類課題,也是數(shù)據(jù)挖掘中的一種關(guān)鍵性方法手段。聚類分析可以在海量的數(shù)據(jù)中挖掘出隱含其中的數(shù)據(jù)分布規(guī)律和數(shù)據(jù)模式,是研究分類問(wèn)題中的一種重要的統(tǒng)計(jì)方法。它將數(shù)據(jù)對(duì)象的集合依據(jù)數(shù)據(jù)的相似度進(jìn)行分類,使得相似度高的數(shù)據(jù)劃為一類簇,相似度低的數(shù)據(jù)區(qū)分到不同的簇中。如果在聚類分析時(shí),采用不同的方式手段,通常會(huì)產(chǎn)生不同的結(jié)果,而即使對(duì)于同樣的一組數(shù)據(jù),由不同的研究者們進(jìn)行聚類的分析,所得到的簇的種類也可能不盡相同。非層次聚類分析中的K-means因其實(shí)現(xiàn)簡(jiǎn)單、收斂速度快的優(yōu)點(diǎn)成為最為常用的聚類算法,它以歐式距離作為一種度量準(zhǔn)則,在此基礎(chǔ)之上,將實(shí)驗(yàn)數(shù)據(jù)劃分為不同的類別。然而,聚類中心選擇的不同,在極大程度上會(huì)影響K-means的聚類效果,如果只是隨機(jī)地選取聚類中心,極易使算法陷入局部的最優(yōu)值,無(wú)法實(shí)現(xiàn)最優(yōu)效果。由于研究人員在宏觀上對(duì)數(shù)據(jù)是未知的,所以,在聚類個(gè)數(shù)k的選擇過(guò)程中,只能設(shè)置多個(gè)不同的k值,并且通過(guò)多次實(shí)驗(yàn),從而來(lái)確定聚類的個(gè)數(shù)。并且不同的初始聚類中心或造成不同的初始搜索范圍,而不同的初始搜索范圍會(huì)形成不同的搜索區(qū)域,不同的搜索區(qū)域也會(huì)找到不同的最優(yōu)解,因此,初始聚類中心的不確定使得K-means算法缺乏較好的穩(wěn)定性。因此,本文主要研究以下四個(gè)方面的內(nèi)容:(1)在猛狼進(jìn)行更新位置更新的時(shí)候,加入猛狼的歷史最優(yōu)位置;(2)為了使得算法在前期擁有更好的全局搜索能力,在后期擁有較強(qiáng)的局部勘探能力,提出了自適應(yīng)步長(zhǎng)公式;(3)提出基于狼群算法的K-means聚類分析算法,用于優(yōu)化K-means聚類算法中的參數(shù);(4)將提出的方法在聚類分析問(wèn)題上進(jìn)行應(yīng)用,并和其它同類方法進(jìn)行對(duì)比研究。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP18;TP311.13
【部分圖文】：

圖 2.1 K-means 算法流程圖，F(xiàn)orgy 法使得初始平均值都分散開來(lái)，而隨機(jī)落在數(shù)據(jù)集的中心周圍。同時(shí) K-means 算法不能保其聚類結(jié)果很大程度上取決于初始聚類中心。

K-means聚類算法迭代圖

圖 2-2 粒子群算法流程圖小結(jié)敘述了 K-means 聚類算法、原始狼群算法以及粒子群狼群算法和粒子群算法的實(shí)現(xiàn)偽代碼、流程圖和參數(shù)法的缺陷，為第三章和第四章提供理論基礎(chǔ)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙貴喜;劉永波;王巖;鄭洪濤;;數(shù)據(jù)場(chǎng)和K-Means算法融合的雷達(dá)信號(hào)分選[J];雷達(dá)科學(xué)與技術(shù);2016年05期

2 趙紅丹;田喜平;;基于K-means算法分割遙感圖像的閾值確定方法研究[J];科學(xué)技術(shù)與工程;2017年09期

3 嚴(yán)旭;王青海;;基于變精度粗糙集改進(jìn)K-means聚類算法[J];辦公自動(dòng)化;2017年08期

4 李敬強(qiáng);王蓓;趙寧;李灝;王勇;;基于k-means聚類的管制員注意品質(zhì)特征研究[J];中國(guó)安全科學(xué)學(xué)報(bào);2017年06期

5 袁周米琪;周堅(jiān)華;;自適應(yīng)確定K-means算法的聚類數(shù):以遙感圖像聚類為例[J];華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年06期

6 周翔;王豐華;傅堅(jiān);林嘉楊;金之儉;;基于混沌理論和K-means聚類的有載分接開關(guān)機(jī)械狀態(tài)監(jiān)測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2015年06期

7 冷泳林;張清辰;趙亮;魯富宇;;基于離群點(diǎn)檢測(cè)的K-means算法[J];渤海大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

8 何慧;胡小紅;覃華;張敏;;用核K-means聚類減樣法優(yōu)化半定規(guī)劃支持向量機(jī)[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

9 李學(xué)勇;高國(guó)紅;孫甲霞;;基于互信息和K-means聚類的信息安全風(fēng)險(xiǎn)評(píng)估[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

10 邊鵬;趙妍;蘇玉召;;一種改進(jìn)的K-means算法最佳聚類數(shù)確定方法[J];現(xiàn)代圖書情報(bào)技術(shù);2011年09期

相關(guān)會(huì)議論文 前10條

1 張世海;張世忠;段慧杰;;高層結(jié)構(gòu)方案設(shè)計(jì)的K-Means聚類分析法[A];計(jì)算機(jī)技術(shù)在工程設(shè)計(jì)中的應(yīng)用——第十六屆全國(guó)工程設(shè)計(jì)計(jì)算機(jī)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2012年

2 趙偉;張姝;李文輝;;一種快速的基于K-Means算法的空間索引方法[A];中國(guó)幾何設(shè)計(jì)與計(jì)算新進(jìn)展2007——第三屆中國(guó)幾何設(shè)計(jì)與計(jì)算大會(huì)論文集[C];2007年

3 王鑫;黃忠義;;網(wǎng)絡(luò)資源中基于K-Means聚類的個(gè)性化推薦[A];2013年全國(guó)通信軟件學(xué)術(shù)會(huì)議論文集[C];2013年

4 任家東;孟麗麗;張冬梅;;一種基于網(wǎng)格的改進(jìn)的K-Means聚類算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

5 楊青;劉曄;張東旭;劉暢;;快速查找最優(yōu)初始聚類數(shù)K的改進(jìn)K-means算法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

6 鄭麗媛;;基于K-Means聚類分析法的山西省資源現(xiàn)狀評(píng)價(jià)研究[A];第一屆中國(guó)西部礦山地質(zhì)環(huán)境保護(hù)學(xué)術(shù)論壇論文摘要集[C];2017年

7 華勇攀;李夢(mèng)龍;朱敏;;基于SVM和K-means算法識(shí)別蛋白質(zhì)結(jié)構(gòu)域[A];中國(guó)化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

8 張華;李道煜;于忠清;董強(qiáng);;可重構(gòu)硬件實(shí)現(xiàn)K-means聚類算法研究[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 宋亞奇;李莉;朱永利;;基于并行化半監(jiān)督K-means聚類的電網(wǎng)設(shè)備狀態(tài)評(píng)估[A];中國(guó)電機(jī)工程學(xué)會(huì)第十三屆青年學(xué)術(shù)會(huì)議論文摘要集[C];2014年

10 吳杰;許映秋;鈕偉;談?dòng)⒆?;RoboCup救援仿真中基于K-means算法的警察分區(qū)策略[A];第三屆中國(guó)指揮控制大會(huì)論文集（下冊(cè)）[C];2015年

相關(guān)博士學(xué)位論文 前3條

1 李亞芳;K-means型社區(qū)發(fā)現(xiàn)方法研究[D];北京交通大學(xué);2017年

2 吳迪;基于加權(quán)相似度的序列聚類算法研究[D];燕山大學(xué);2014年

3 羅海艷;移動(dòng)用戶網(wǎng)絡(luò)行為分析與預(yù)測(cè)方法研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 趙微;基于狼群算法的K-means算法及應(yīng)用實(shí)現(xiàn)[D];吉林大學(xué);2019年

2 薛端;基于K-means算法的邊緣服務(wù)器部署研究[D];云南大學(xué);2018年

3 楊榮麗;K-means算法的改進(jìn)及其在蛋白質(zhì)亞細(xì)胞區(qū)間預(yù)測(cè)上的應(yīng)用[D];南京農(nóng)業(yè)大學(xué);2017年

4 張麗麗;基于K-means聚類—層次分析的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法[D];鄭州大學(xué);2019年

5 馮曦蒸;基于K-means聚類的WSN分簇式多跳能量路由算法研究[D];西北師范大學(xué);2017年

6 江賀訓(xùn);基于二分k-means的低功耗路由算法研究[D];合肥工業(yè)大學(xué);2018年

7 李中明;基于K-Means聚類算法的商品期貨逼倉(cāng)行為特征分析[D];浙江工商大學(xué);2018年

8 靳姍姍;基于K-means聚類分析的南海水團(tuán)分布及其季節(jié)變化研究[D];國(guó)家海洋局第一海洋研究所;2017年

9 趙鳳嬌;基于K-means算法的水下圖像邊緣檢測(cè)[D];中國(guó)海洋大學(xué);2015年

10 成婭輝;k-means算法改進(jìn)及其在通信行業(yè)客戶細(xì)分中的應(yīng)用[D];湖南大學(xué);2010年

本文編號(hào)：2823380